计算哲学（三）

环半径1：一个环的环，每个环通过一条线连接到它们的相邻点

环半径1

小世界：一根15分的环，最有关的佐剂和两对非相邻点也有一条线

小世界

车轮：一个环的环，每个环通过一条线连接到它们的相邻点，并且每个都通过一条线连接到中心

车轮

轮毂：一个环的环，每个环由一条线连接到中心

集线器

随机：一个15点的环，几条线随机连接两个点

随机

完成：一根15分，每个点通过一条线连接到所有其他点和中心

完整的

图11：示例网络。

在具有半径1的环中，每个试剂与每侧的立即邻居连接。 在100点景观中使用50％的惯性和“摇动手”间隔，其中50个代理商在该配置中汇集了在66％的模拟运行中的“干草堆中的针头”景观中的全球最大值。 如果代理连接到每一侧的两个最接近的邻居，则结果将立即下降到50％的运行中，其中代理找到全局最大值。 一个小世界网络可以被设想为一个戒指，其中代理具有一定概率的“重新挤动”：打破现有的链接并随意地建立另一个其他代理（Watts＆Strogatz 1998）。 如果50名代理人中的每一个都有9％的重新兴奋，小世界的成功率降至55％。 车轮和轮毂分别具有42％和37％的成功率。 随机网络，任何两个节点之间的10％的连接概率为47％。 最糟糕的是，在Haystack中的“针中”景观中的最糟糕的通信网络是一个完整网络的“科学互联网”，其中每个人都立即看到了其他人的结果。

这些结果的扩展出现在Grim，Singer等人中。 （2013）。 有一个小样本的景观被替换为量化的“恶魔指数”，粗略地表示风景体现了一个“干草堆中的针头”的程度。 更高的恶魔量量化了从随机所选点“找到”景观的全球最大值的较低概率。 景观，虽然仍然是二维的“环绕”，以避免在Hegselmann和Krause（2006）中注明的边缘效果。 在这里，再次强调在直观困难的认知景观探索中，强调环状或分布式网络的振缩或分布式网络。 分布式单戒指达到最高百分比的案例，其中找到了景观上的最高点，然后是所有其他网络配置。 完全或完全连接的网络显示最差的结果。 虽然不准确地呈这些关系的反比，所示的时间是粗略的。 请参阅下面的其他Internet Resource部分中的Grim和Singer等人的互动模拟。

所有这些模型所建议的是，它是调查人员之间的分布式通信网络，而不是全部和最直接的沟通，或者至少可以为我们提供更准确的科学结果。 在十七世纪，科学的结果以个人对应的形式从人的人慢慢交换。 在今天的科学结果中，每个人都可以立即使用。 这些模型所建议的是，十七世纪科学的通信机制可能比今天的高度连接的通信更可靠。 Zollman借鉴了导体结论，即松散连接的社区在寻求真相方面比更好地连接的知情科学家（Zollman 2010B）的社区更可靠。

解释是寻求的。 在所有的模型中，更多连接网络产生较差的结果，因为代理在突出的阳光下移动而不是次优位置：到局部而不是全球最大值。 在受调查的景观模型中，连接的网络导致所有调查人员朝着同一点移动，目前向每个人宣布为最高，在过程中跳过大区域 - 精确地在可能隐藏的“草堆中的针头”的地方。 在更多分布式网络中，本地行动导致对景观广泛区域的更均匀有效探索; 探索而不是剥削（荷兰1975）。

我们如何构建我们科学社区的资金和沟通结构？ 从这些结果中阐明了他们目前的形式，并且在这些一般线上进一步工作，答案可能很好“景观” - 可能取决于什么样的问题是什么形式的科学通信应该采取什么。 它也可能取决于desiderata正在发布的问题。 调查的模型强调了结果的准确性，抽象了建模。 所有调查的人都承认，结果的准确性和社区共识的速度之间存在明确的权衡（Zollman 2007; Zollman 2010B; Grim，Singer等，2013）。 但是对于许多目的，以及道德和实用的原因，可以更好地工作，这是巨大的，这只是粗略准确但今天可供等待10年的结果，这可能更准确，但到达太晚了。

3.2.3分工，多样性和勘探

第二次计算的科学哲学工作的第二个传统也使用认知景观，但试图模拟网络结构的影响，而是在科学群体中划分的劳动和多样性。 这种传统中的一种有影响力的但最终有缺陷的前体是Weisberg和Muldoon（2009）的工作。

图12中出现了威斯伯格和Muldoon的景观的两个观点。在他们的治疗中，景观的基本平面上的点代表了“方法”的背景理论，方法，仪器和技术的表现，用于调查特定研究问题。 这些点的高度被采用来表示科学意义（继Kitcher 1993之后）。

一个三维图，大多是平的，两个峰，一个在中心，一个在左上角。 一个黑色正方形，两个轻椭圆形贴片，一个在右上角，一个，略大，在左下角。

图12：在研究主题的不同方法中，Weisberg和Muldoon的两个愿景和Muldoon的科学意义景观（高度）。

遍历这种景观的代理商不是联网，如前所述，除了他们在景观附近的“方法”附近的“方法”受到“方法”的程度之外。 然而，Weisberg和Muldoon模型是什么意思，它们的药剂不是均匀的。 两种类型的代理商发挥着主要作用。

“追随者”以前考虑到其他人对该地区进行调查，以遵循成功的趋势。 如果先前在他们的直接街区的先前调查的点具有比他们所在的重点更高的意义，他们就会转向那一点（随机打破任何领带）。[8] 只有在没有邻近的调查点仍然具有更高的意义和未取消的点，追随者才转向其中一个。

“Mavericks”避免先前调查的积分，因为追随者优先考虑它们。 Mavericks在邻居中选择未开发的积分，测试意义。 如果高于当前点，他们就会转向那一点。

Weisberg和Muldoon均衡运行的百分比，其中代理群体找到最高峰值和发现峰值的速度。 他们报告说，当包括小牛克利克斯时，追随者群体的认知成功增加了，并且该效果的解释在于，小牛杆可以为追随者提供途径：“[M]艾弗里克斯帮助许多追随者来抵消，并探索了认知景观的更加丰硕的地区”（详情请参阅2009：247 FF的Weisberg＆Muldoon）。 反对这种背景，他们争论了关于许多研究策略结合不同研究策略的认识社区的价值的广泛索赔。 他们的模型的最佳分工是他们的模型表明是“具有少数小牛的健康追随者”。

Weisberg和Muldoon模型的批评者认为，它被简单的实施错误所缺陷，其中> =代替地位，结果表明，其软件代理实际上并非如此符合其概述的策略（亚历山大，Himmelreich＆Thomson 2015）。 如实施所示，其追随者倾向于被困在两个等效的空间之间的振荡（通常为0）之间。 根据批评者的说法，当追随者得到适当的实施时，事实证明，马瓦里克斯仅帮助一个社区的成功，仅仅是由小牛人自己发现的，而不是通过让追随者“unsstuck”谁不应该陷入困境（见也是2015年的Thoma）。 如果批评者是正确的，那么Weisberg-Muldoon模型就是最初实施的证据证明是对劳动司和战略多样性的声明是重要的认识司机的哲学支持不足。 Weisberg和Muldoon模型的交互式模拟，其中包括切换，在下面的其他因特网资源部分中更改> =〜>。

模型的批评者不否认Weisberg和Muldoon Draw的一般结论：认知多样性或认知劳动力的分裂可以赞成社会认知结果。[9] 他们否认的是，韦斯伯格和多月的模型充分支持结论。 一个特别有趣的模型，确实支持结论，基于一个非常不同的多样性模型，是洪和书（2004）。 但它也支持Alexander等人的一点。 强调：认知多样性的优势非常依赖于正在探索的认知景观。

鲁红和斯科特页面与2000点的二维景观合作，作为循环包裹。 每个点被分配在1到100之间的随机值。他们的认识个人探讨了使用由三个有序号码组成的启发式的景观，例如，1和12。一个例子有所帮助。 考虑一个具有启发式的个人

⟨

2

，

4

，

7

⟩

⟨

2

，

4

，

7

⟩

在景观的点112。 他首先使用他的启发式2来看看右114的分数是否有两个值 - 具有比目前的位置更高的值。 如果是这样，他就会搬到那一点。 如果没有，他留下来。 从那时起，无论它是哪个，他都使用他的启发式4，以便看出右边的点4步具有更高的峰值等。 一个代理商在他的启发式范围内反复通过他的启发式数字界到他的启发式范围内没有较高的价值。 图13中示出了基本动态。

一个锯齿线：链接到下面的扩展说明

图13：使用HOP和PAGE（2004）的个人使用启发式探讨的景观探索的例子。 探索点可以左右读取。 [图13的扩展描述在补充中。]

Hong和Page在给定的景观中的比分在2000点开始的平均身高方面的景观中的分数。 但他们的真实目标是群体中多样性的价值。 考虑到这一点，他们比较由9个个人组成的绩效（a）群体的表现，其中有9个景观的最高景观，其中（b）组由9个人组成，其中包含随机启发式的景观。 在每个案例组中，组合在一起被称为“继电器”。 对于2000点景观的每个点，本集团的第一个个人找到了他的最高可达价值。 该组的下一个单独从那里开始，等等，通过个人圈出，直到达到一个点，没有能达到更高的值。 整个团体的分数是在2000分的所有方式实现的平均值。

仿真中的红和页面在模拟中表明是那些具有随机启发式的群体，常规优于完全由“最佳”个体表演者组成的团体。 他们克里斯滕的结果是“多样性胜过能力”的结果。 在他们的研究复制中，9个最佳个人集团的2000点地形的平均最大值在92.53年，中位数为92.67。 一组9个随机个体的平均值在94.82次，中位数为94.83。 在该复制中，在1000次运行中，通过所有病例的97.6％的随机药物组实现了更高的分数（Grim等人2019）。 请参阅下面其他Internet Resources部分的Hong和Page的审议模型的互动模拟。 Hong和Page还提供了一个数学定理作为这种结果的部分解释（Hong＆Page 2004）。 他们的工作组成部分被攻击为微不足道或无关（汤普森2014），尽管袭击本身也受到批评（Kuehn 2017，歌手2019）。

香港模型稳固地展示了在争议的Weisberg-Muldoon模型中尝试的一般索赔：认知多样性确实可以是社会认知优势。 然而，在申请中，HONG-PAGE的结果有时被上诉，因为对更广泛的索赔的支持：多样性始终或通常是认识优势（Anderson 2006，Landemore 2013，Gunn 2014，Weymark 2015）。 结果本身以往复承认的方式有限。 特别是，它证明对所雇用的认知景观的精确特征敏感。

洪和页面的景观是2000个点中的每一个在1到100之间的随机值：纯粹随机景观。 这一事实的一个结果是，9个不同随机红页景观的9个最佳启发式景观具有基本上没有相关性：一个景观中的高性能需求不携带到另一个景观。 格里姆等人。 （2019）扩展了红页模型，也可以纳入其他景观，以挑战从模型中汲取的多样性的一般结论，但也建议进一步有趣的应用程序的潜力。

“顺利”的简单方法是“顺利”的HONG-PAGE LACESCAPES是为了为2000点循环的每个点分配无随机值，而是每秒点，例如，中间点在每侧的那些之间的平均值。 在随机景观具有“平滑”因子0的情况下，该变化将具有1.仍然是“更平滑”的程度2的景观将是其中斜坡在分配给每三点的随机值之间绘制。 每种程度的平滑度会增加点和邻居之间的平均值相关性。

在其他方面使用红页和页面的参数，事实证明，“多样性胜过能力”结果仅适用于景观率小于4的景观。超出该点的景观，它是“能力” - 胜任“多样性”的群体的性能 - 胜过“多样性”“ - 随机启发式群体的表现。

因此，HONG-PAGE结果对所模型的认知景观的“平滑度”非常敏感。 如第3.2.2节暗示，这表明在模拟传统本身内部是关于认知景观的限制和过于简单的抽象的危险。 此外，该模型的敏感性不仅限于景观平稳性：社会认知成功也取决于启发式的数量，如果启发式池扩大，则显示出在更平稳的景观中的“多样性”。 结果还取决于社交互动是如何使用Hong-Page的“继电器”或替代动态（而不是顺序）的替代动态（而不是顺序）宣布它们的结果，所有人都迁移到任何宣布的最高点。 不同的景观光滑度，不同的启发式池尺寸和不同的互动性动态将有利于不同组成组成的认知优势，随机和最佳的个体的不同比例（Grim等，2019）。

3.3道德和社会政治哲学

那么，是什么是应该被采用的行为，合理的行为课程，为这个自然而然的，不俗的是，并排生活在一起生活？

- 伦德维克，道德史的概述（1886：162）

Hobbes'eviathan可以阅读，与Sidgwick一起询问，合作如何在自助人士（Hobbes 1651）中出现。 因此，合作是伦理和社会政治哲学的核心主题。

3.3.1博弈论与合作的演变

博弈论是合作的许多哲学考虑的主要工具，扩展了计算方法。 这里的主要例子是囚犯的困境，两个代理商之间的战略互动，其中一个带薪矩阵，其中联合合作比联合叛逃获得更高的收益，但最高的收益转向其他球员合作时缺陷的球员（见esp。kuhn 1997年[2019]）。 正式的是，囚犯的困境需要违反合作的价值直流以高于CC，以便联合合作，CC高于支付裁定裁定债券的合作。 为了避免交替权衡的优势，CC也应该高于

（

光盘

+

dc

）

/

2。

（

光盘

+

dc

）

/

2。

适用于这些要求的简单值设置在图14中的矩阵中。

球员a

合作缺陷

玩家b。合作。3,3。0.5

缺陷5,0 1,1

图14：囚犯的困境支付矩阵

在“单次”囚犯的困境中是清晰的，叛逃是严格占主导地位的：是否其他球员是否合作或缺陷，一个通过缺陷获得更多点。 但是，如果叛逃总是给出更高的回报，它会如何合作？ 在一个霍比亚人的自我家人，在囚犯的困境中获得了回报，似乎我们应该期望互相叛逃，因为当然和理性的结果 - 霍布斯的“全部战争”。 伊戈斯人口怎么能合作？ 如何出现合作的道德缺乏和持续？

已经证明了许多机制支持合作的出现：亲属选择（Fisher 1930; Haldane 1932），绿胡须（汉密尔顿1964A，B; Dawkins 1976），秘密握手（Robson 1990; Wiseman＆Yilankaya 2001），迭代游戏，空间化和结构性互动（Grim 1995; Skyrms 1996,2004; Grim，Mar，St. Denis 1998; Alexander 2007）和嘈杂的信号（Nowak＆Sigmund 1992年）。 本节提供了最近两种的例子。

在迭代囚犯的困境中，玩家在固定数量的圆形或无限或无限重复中重复互动。 1980年代初的Robert Axelrod的锦标赛是迭代囚犯困境的经典研究，以及应用技术应用的早期例子。 扮演囚犯困境的策略是由各个领域的专家征求的，以200轮超过200轮循环竞争对手的所有田地（和自己）。 众所周知，胜利的战略是TAT，这是一项简单的战略，这些战略与前一轮的其他球员合作的合作，响应前一轮叛逃的叛逃。 甚至更令人惊讶的是，尽管提交的策略知道TAT是对手的目标，但才在第二次锦标赛中再次出现在第二次锦标赛中。 当使用Replicator Dynamics探索那样的策略来代替循环竞争时，再次为TAT是胜利者（Axelrod和Hamilton 1981）。 进一步的工作已经为TAT的声誉进行了脾气暴躁，在某种程度上，强调Axelrod锦标赛的制约，既是提交的结构和策略（Kendall，Yao，＆Chang 2007; Kuhn 1997 [2019]）。

一套简单的八个“反应性”策略，其中一个玩家仅在对手之前的移动的基础上行动，如图15所示。与“1”合作编码和“0”，用于缺陷，三个地方代表第一移动我，对另一侧的合作响应合作并且对另一侧的抗缺陷的反应，这些给我们提供了8个策略，包括所有缺陷，全部合作，山雀和其他几种变化。

我。c。天。反应策略

0。0。0。所有缺陷

0 0 1

0。1。0。Tat的可疑山雀

0。1。1。怀疑所有合作

1。0。0。欺骗所有缺陷

1 0 1

1。1。0。塔特山雀

1。1。1。所有合作

图15：8囚犯困境中的反应策略

如果这些策略互相播放，并且在Axelrod锦标赛的方式上，这是“所有缺陷”，这是明确的赢家。 如果代理人模仿最成功的战略，那么人口将立即转到所有缺陷 - 霍布斯战争的游戏理论形象，也许。

然而，考虑一种空间化囚犯以蜂窝自动机的形式的困境，容易运行和分析在计算机上。 细胞随机分配了这八个策略中的一个，在阵列中的八个即时邻居本地播放迭代游戏，然后采用该邻居（如果有的话）的策略，该邻居实现更高的总分数。 在这种情况下，通过相同的8个策略，占据阵列的占用以所有缺陷的主导地位开始，但TAT的山雀簇占主导地位（图16）。 一个交互式模拟，其中可以选择在下面的其他Internet Resourst阵列中选择在空间化阵列中播放的竞争反应策略。